COMPASS：基于智能手机传感器复杂人类活动的无监督在线聚类
机器学习
2023-07-10 v1
摘要
现代移动设备能够利用其感知能力推断用户当前所处的活动与情境，从而提供情境感知与个性化服务。当前情境识别方案依赖标注数据和专家知识来预测用户情境。此外，其预测能力严格受限于模型训练或定义期间所考虑的情形集合。然而，在移动环境中，用户情境持续演化，且不能仅局限于一组预定义类别。为克服这些局限，我们提出 COMPASS，一种新颖的无监督在线聚类算法，旨在基于智能手机传感器生成的高维数据流识别移动环境中的用户情境。COMPASS 可从传感器数据中区分任意数量的用户情境，而无需先验定义预期情形集合。这一关键特性使其成为为移动设备提供情境感知特征的通用方案，支持广泛应用。在 18 个合成与 2 个真实世界数据集上的实验结果表明，COMPASS 能正确从传感器数据流识别用户情境，并在聚类配置与纯度上优于 SOTA 方案。最后，我们评估其执行时间性能，结果显示 COMPASS 可在不到 20 秒内处理 1000 个高维样本，而参考方案约需 60 分钟评估整个数据集。关键词：情境感知，无监督机器学习，在线聚类，移动计算
引用
@article{arxiv.2306.15437,
title = {COMPASS: Unsupervised and Online Clustering of Complex Human Activities from Smartphone Sensors},
author = {Mattia Giovanni Campana and Franca Delmastro},
journal= {arXiv preprint arXiv:2306.15437},
year = {2023}
}